无监督医学图像分割 刘立豪，当归I阿维莱斯·里维罗和卡罗拉·比比亚恩·舍恩利布。 介绍 在此存储库中，我们提供了的PyTorch实现。 要求 火炬1.5.0 火炬视觉0.4.2 SimpleITK 1.2.4 opencv-python 4.2.0.32 用法 克隆存储库： git clone https://github.com/lihaoliu-cambridge/unsupervised-medical-image-segmentation.git cd unsupervised-medical-image-segmentation 下载LPBA40数据集的图像和分割蒙版： LPBA40图片： LPBA40标签： 将它们解压缩到文件夹datasets/LPBA40 ： datasets/LPBA40/LPBA40_rigidly_registered_pairs data

阈值分割源码matlab 用于新型腹部数据集的皮肤分割的深度学习技术 介绍 该存储库提供了[]中研究的皮肤分割方法的代码，主要是Mask-RCNN，U-Net，全连接网络和用于阈值化的MATLAB脚本。 该算法主要是为了使用RGB图像对创伤患者进行腹部皮肤分割而开发的，这是正在进行的研究工作的一部分，该研究工作旨在开发用于创伤评估的自主机器人[] []。 机器人腹部超声系统具有摄像头查看的腹部区域，以及相应的分段式皮肤面罩。 腹部皮肤数据集的信息 该数据集包含从Google图像搜索在线检索的1,400幅腹部图像，这些图像随后进行了手动分段。 选择图像以保留不同种族的多样性，从而防止分割算法中的间接种族偏见； 700张图像代表肤色较深的人，其中包括非洲，印度和西班牙裔群体，而700张图像代表肤色较浅的人，例如高加索人和亚洲裔群体。 总共选择了400张图像来代表体重指数较高的人，在明亮和黑暗类别之间平均分配。 在数据集准备中，还考虑了个人之间的差异，例如头发和纹身的覆盖范围，以及阴影等外部差异。 图片尺寸为227x227像素。 皮肤像素占整个像素数据的66％，每个单个图像的平均值为54.4

svm支持向量机python代码 机器学习语义分割-随机森林，支持向量机，GBC Machine learning semantic segmentation - Random Forest, SVM, GBC.zip

手动分割 这项工作是出于实践目的而完成的。 网络 在Pytorch中自定义实施 。 仅用于一个输出类。 用于最后提交的模型存储在MODEL.pth文件中。 它已通过上提供的模型进行了预培训，但该模型最初用于汽车细分。 在来自GTEA_gaze数据集的一部分图像上，模型的得分为0.90。 pytorch版本：0.3.1 要回滚pytorch，您只能使用 “ pip卸载火炬” “ pip install火炬== 0.3.1” 用法 测试 尝试“ python test.py -h”以查看更多选项。 只需测试一张图像并通过运行即可重命名输出 “ python test.py -i test1.jpg -o ouput1.jpg” 通过运行测试多个图像 “ python test.py -i test1.jpg test2.jpg --model MODEL.pth” 通过运行在绘图中

train:20 test:20

深入了解消费者购买行为异质性的一种广泛使用的方法是市场细分。 传统的市场细分模型常常忽略消费者行为可能随时间演变的事实。 因此，零售商消耗有限的资源试图为无利可图的消费者提供服务。 本研究调查了科威特国一家中型零售商的增强新近度、频率、货币 (RFM) 分数和消费者终身价值 (CLV) 矩阵之间的整合。 修改后的回归算法调查消费者购买趋势，从销售点数据仓库中获取知识。 此外，本研究应用增强正态分布公式去除异常值，然后采用软聚类模糊 C 均值和硬聚类期望最大化 (EM) 算法对消费者购买行为进行分析。 使用集群质量评估表明，EM 算法的扩展性比模糊 C 均值算法好得多，因为它能够在较小的数据集中分配良好的初始点

血管分割 1.0.0版从光声图像中分割血管结构并进行可靠性评估 网络： ：//math.tut.fi/inversegroup/出版物：P.Raumonen和T.Tarvainen（2018）：“通过光声图像对血管结构进行分割并进行可靠性评估”，已提交给Biomedical Optics Express 。 血管分割是用Matlab编写的。 主要功能是vessel_segmentation.m ，它包含一个数字3D数组（光声图像）和一个可选的结构数组，用于指定所需的输入参数，可以使用脚本define_inputs.m对其进行定义。 有关更多详细信息，请参阅特定功能的帮助文档。

NLPCC2016-WordSeg-微博 NLPCC 2016微博分词评估项目 ##任务说明 单词是自然语言理解的基本单元。 但是，中文句子由连续的汉字组成，没有自然的分隔符。 因此，中文分词已成为中文自然语言处理的首要任务，它可以识别句子中单词的顺序并标记单词之间的边界。 与流行的二手新闻数据集不同，我们使用了来自新浪微博的更多非正式文章。 培训和测试数据包含来自各个主题的微博，例如金融，体育，娱乐等。 每个参与者都可以提交三个运行：封闭式运行，半开放式运行和开放式运行。 在封闭的轨道上，参与者只能使用在提供的培训数据中找到的信息。 排除了诸如从外部获得的字数，部分语音信息或姓名列表之类的信息。 在半公开赛道中，除了提供的训练数据之外，参与者还可以使用从提供的背景数据中提取的信息。 排除了诸如从外部获得的字数，部分语音信息或姓名列表之类的信息。 在公开赛道上，参与者可以使用应该

伪装物体检测（CVPR2020-Oral） 作者：，，，，，。 0.前言 欢迎加入COD社区！ 我们在微信中创建了一个群聊，您可以通过添加联系人（微信ID：CVer222）来加入。 请附上您的从属关系。 该存储库包括详细的介绍，强大的基准（搜索和识别网，SINet）以及用于伪装目标检测（COD）的一键评估代码。 有关伪装物体检测的更多信息，请访问我们的并阅读 / 。 如果您对我们的论文有任何疑问，请随时通过电子邮件与或。 如果您使用SINet或评估工具箱进行研究，请引用本文（ ） 0.1。 :fire: 消息 :fire: [2020/10/22] :collision: 可以通过电子邮件（ ）提供培训代码。 请提供您的姓名和机构。 请注意，该代码只能用于研究目的。 [2020/11/21]已更新评估工具：Bi_cam（cam> threshold）= 1-> Bi_cam（cam> = threshold

SharpNLP是C#实现的一个开源的自然语言处理工具集，它提供了如下功能： * 句子分割 * 分词 * 词性标注（POS tagging） * a chunker (used to "find non-recursive syntactic annotations such as noun phrase chunks") * a parser * a name finder * a coreference tool * 访问wordent数据库的借口